Python 如何使用TimeGrouper迭代包含不同范围的多个文件
我有一套档案。每个文件都有1秒的数据。此外,这些文件不是周期性的,即它们不是日常文件。例如,一个文件可能包含一天半的数据,而下一个文件可能包含3天半的数据;文件之间及其内部可能存在间隙。另一个问题是,同时加载内存中的所有文件是不实际的 这里有一个具体的例子来说明这个问题。以下数据帧具有一天半的1秒数据:Python 如何使用TimeGrouper迭代包含不同范围的多个文件,python,pandas,time-series,pandas-groupby,Python,Pandas,Time Series,Pandas Groupby,我有一套档案。每个文件都有1秒的数据。此外,这些文件不是周期性的,即它们不是日常文件。例如,一个文件可能包含一天半的数据,而下一个文件可能包含3天半的数据;文件之间及其内部可能存在间隙。另一个问题是,同时加载内存中的所有文件是不实际的 这里有一个具体的例子来说明这个问题。以下数据帧具有一天半的1秒数据: index = pd.date_range('now', periods=60*60*24*1.5, freq='1S') data_a = pd.DataFrame(np.random.ran
index = pd.date_range('now', periods=60*60*24*1.5, freq='1S')
data_a = pd.DataFrame(np.random.rand(len(index)), index=index, columns=['data'])
下一个数据帧从上一个数据帧停止的位置开始,它有两天的数据:
index = pd.date_range(data_a.index[-1] + pd.Timedelta('1S'), periods=60*60*24*2, freq='1S')
data_b = pd.DataFrame(np.random.rand(len(index)), index=index, columns=['data'])
让我们在每个数据帧上创建10分钟的迭代器,然后执行以下操作:
如果我们在iaib
上迭代,我们期望的行为是只查看每个组键(及其数据)一次,但事实并非如此
seen = {}
for name, group in iaib:
count = seen.get(name, 0)
seen[name] = count + 1
seen_twice = {key: value for key, value in seen.items() if value > 1}
两次看到的的内容是:
{Timestamp('2017-06-02 08:50:00', freq='10T'): 2}
在本例中,2017-06-02 08:50:00
是最后一组data\u a
和第一组data\u b
的键
如何通过10分钟的分组对所有文件进行迭代,而不在文件边缘重复分组?解决方案有两部分:一是将所有文件作为单个数据集进行处理;另一个原因是,一个10分钟的组可以在一个文件的结尾和下一个文件的开头之间分割
这些是所需的进口:
from itertools import chain
import pandas as pd
from pandas.tseries.resample import TimeGrouper
将所有文件作为单个数据集处理
此函数返回给定文件的10分钟组的迭代器:
def make_iterator(file):
df = pd.read_csv(file, index_col='timestamp', parse_dates=['timestamp'])
return iter(df.groupby(TimeGrouper('10Min')))
上面的函数用于创建一个迭代器迭代器。给定一个文件列表,可以在文件集合的所有10分钟组上创建一个迭代器,如下所示:
files = ... # list obtained by os.listdir() or glob.glob()
iterator_of_single_file_group_iterators = map(make_iterator, files)
chained_file_group_iterator = chain.from_iterable(iterator_of_single_file_group_iterators)
说明一个组可以在一个文件的结尾和下一个文件的开头之间拆分
但是,上面的迭代器不知道跨越两个文件的10分钟组。以下类解决了该问题:
class TimeGrouperChainDecorator(object):
def __init__(self, iterator):
self.iterator = iterator
self._has_more = True
self._last_item = next(self.iterator)
def __iter__(self):
return self
def __next__(self):
if not self._has_more:
raise StopIteration
try:
return self._next()
except StopIteration:
self._has_more = False
if self._last_item is not None:
return self._last_item
raise StopIteration
def _next(self):
new_key, new_data = next(self.iterator)
last_key, last_data = self._last_item
if new_key == last_key:
data = pd.concat([last_data, new_data])
try:
self._last_item = next(self.iterator)
except StopIteration:
self._has_more = False
return new_key, data
else:
self._last_item = new_key, new_data
return last_key, last_data
注意,实现完全依赖于pandasgroupby
API。要使用它,请使用上述链接迭代器创建类的实例:
iterator = TimeGrouperChainDecorator(chained_file_group_iterator)
for name, group in iterator:
# do something with each 10 minute group
我的实现可能并不完美,因此欢迎任何反馈。我已经发布了一个。感谢您的反馈,希望我已经改进了这个问题。
iterator = TimeGrouperChainDecorator(chained_file_group_iterator)
for name, group in iterator:
# do something with each 10 minute group